Как МЭО обеспечило эффективную работу ИИ-сервисов для онлайн-обучения

МЭО (Мобильное Электронное Образование) — российский разработчик цифровых образовательных решений и контента для всех уровней общего образования.

Компания работает на рынке онлайн‑образования более 10 лет и развивает собственную закрытую образовательную платформу, ориентированную на массовое обучение и работу с распределенной аудиторией по всей стране. С МЭО связаны сотни тысяч обучающихся и педагогов, а аудитория проектов охватывает Россию и зарубежные страны.

Продукты и направления из экосистемы МЭО:

• Собственная закрытая образовательная платформа
• Онлайн‑школа БИТ
• «МЭО Детский сад»
• Онлайн репетитор — Платформа 5+
• Федеральные проекты «Код будущего», «Цифровой образовательный контент»

Контекст: что ограничивало масштабирование ИИ

Ранее МЭО уже использовало ИИ в образовательной платформе для проверки заданий и консультаций для обучающихся, но использование решения в массовом режиме было затруднено.

• Непредсказуемая стоимость использования публичных LLM. При росте числа обучающихся и запросов расходы на использование внешней модели резко возрастали, и бюджет было сложно планировать даже на короткий срок — особенно в периоды запуска курсов и пиков активности.
• Риск остановки сервиса из‑за внешних ограничений. Доступ к публичным моделям был заблокирован из-за затруднений в оплате, что фактически поставило под угрозу непрерывность работы ИИ‑сценариев в продукте.
• Ограничения по оплате зарубежных сервисов. У заказчика не было возможности выстроить прямую оплату зарубежным поставщикам, поэтому даже при наличии спроса на сервис отсутствовал управляемый платежный контур.
• Высокая вариативность нагрузки. Профиль запросов зависел от расписания обучения и запусков курсов: нагрузка менялась по времени суток и по числу активных пользователей, что требовало устойчивой инфраструктурной базы и возможности масштабироваться без ручного вмешательства.
• Динамика продукта и запросов. Платформа постоянно развивалась, менялись сценарии обращений к модели и типы запросов, поэтому решение должно было выдерживать регулярные изменения без снижения качества и ухудшения доступности.

Этапы внедрения и переход в промышленную эксплуатацию

Проект с МЭО был ориентирован на перевод уже работающих ИИ‑функций образовательной платформы в промышленный режим и создание технологической основы для их дальнейшего развития. При этом важно было сохранить привычные сценарии для пользователей и дать команде заказчика возможность развивать продукт дальше, не упираясь в инфраструктурные ограничения.

Что было сделано

1. Экспресс‑оценка запроса и выбор целевой схемы
   Команда «Онланты» определила, какие сценарии должны работать в первую очередь (проверка заданий и консультации), какие ограничения по доступу и оплате критичны, и выбрала вариант с локальной моделью как основой для дальнейшей эксплуатации.
2. Подключение локальной модели и бесшовная замена точки обращения
   Мы предоставили заказчику доступ к локальной модели с минимальными изменениями на стороне платформы: фактически требовалось заменить адрес обращения и учетные параметры. Это позволило быстро восстановить работоспособность ИИ‑функций без значительных изменений и доработок.
3. Пилотная эксплуатация в демо‑режиме
   В тестовом режиме заказчик сформировал большой массив запросов, проверил качество ответов и корректность сценариев на реальной нагрузке, параллельно улучшая промпты и логику взаимодействия с моделью. На этом этапе были выявлены особенности поведения модели в задачах проверки и консультаций и собраны вводные для перехода в промышленный режим.
4. Консультационная поддержка команды разработки заказчика
   «Онланта» передала практические рекомендации по работе с локальными моделями и примеры интеграции. Дальнейшая настройка запросов и развитие сценариев выполнялись командой МЭО самостоятельно, что снизило зависимость от внешнего исполнителя в ежедневных доработках.
5. Переход в промышленную эксплуатацию
   С начала 2026 года решение переведено в промышленный режим: ИИ‑сценарии работают с предсказуемой моделью оплаты и без ограничений, критичных для учебного процесса. Это создало основу для регулярного развития продукта и масштабирования на аудиторию по всей стране.
6. Нагрузочное обследование и масштабирование ресурсов
   На основании наблюдений за реальным профилем обращений (существенные пики в учебные периоды и дневные часы, минимальная активность ночью) мы скорректировали ресурсную базу. По итогам анализа были увеличены вычислительные мощности, чтобы обеспечить стабильный отклик и запас под рост нагрузки.
7. Сопровождение изменяющегося профиля нагрузки и обновлений платформы
   Поскольку у заказчика меняются курсы, аудитория и код платформы, совместно отслеживаются изменения типов запросов и их объема. Это позволяет своевременно корректировать параметры использования решения и поддерживать качество сервиса без простоев при росте и изменениях.

«Мы внедряем ИИ‑помощника и автопроверку заданий при помощи ИИ в массовом обучении, поэтому для нас критичны стабильность работы сервисов и возможность масштабироваться. Переход на локальную модель снял зависимость от внешних ограничений и дал предсказуемую модель расходов: теперь мы можем запускать курсы, выдерживать пиковую нагрузку и развивать сценарии без риска, что сервис перестанет работать в самый неподходящий момент. Не менее важна была простота перехода — интеграция потребовала минимальных изменений, а консультации команды «Онланты» помогли быстро настроить работу с локальной моделью и дальше развивать решение своими силами», — прокомментировал Сергей Воронцов, директор департамента цифровой трансформации МЭО.